卷积神经网络
1.CNN的概述
定义：卷积神经网络（CNN）是一种深度学习模型主要用于图像处理和计算机视觉领域。
通过卷积操作提取图像中的局部特征并通过池化操作降低特征的维度从而提高模型的效率和准确性。
由多个卷积层、池化层、全连接层等组成可以自动学习图像中的特征表示。
在图像分类、目标检测、语义分割等领域有着广泛的应用。
2.CNN的发展历程
早期探索（20 世纪 80 年代末至 90 年代）
1989年，LeNet首次使用“卷积”一词被提出，是应用于图像分类的卷积神经网络，包含两个卷积层和两个全连接层，规模较大，使用随机梯度下降进行学习。
1998年，LeNet - 5网络被提出，在手写数字识别问题中取得成功，加入了池化层，其构筑中交替出现的卷积层 - 池化层有效提取了图像的平移不变特征，定义了现代卷积神经网络的基本结构。
（硬件算力限制，没得到快速发展）
深度学习的复兴（21 世纪初至 2010 年代初）
2012 年，提出的 AlexNet 在 ImageNet 大规模视觉识别竞赛中取得突破性成绩，将错误率大幅降低。它使用了多个卷积层和池化层的堆叠结构，引入 ReLU 激活函数和 Dropout 防止过拟合，其成功标志着深度学习时代的开始。
3.CNN的基本原理
基本结构：
输入层：接收原始图像数据
卷积层：是 CNN 的核心组件，通过卷积核（滤波器）在输入数据上滑动进行卷积操作，提取数据的局部特征。每个卷积核学习到不同的特征，如边缘、纹理等。卷积操作可以减少参数数量，提高模型的计算效率和泛化能力。
池化层：通常紧跟在卷积层之后，用于对卷积层的输出进行下采样，减少数据的维度，降低计算量，同时保留重要的特征信息。常见的池化操作有最大池化和平均池化。
全连接层：位于网络的最后部分，将前面卷积层和池化层提取的特征进行整合，将多维的特征向量映射到一维向量，并通过全连接的方式连接到输出层，用于进行分类或回归等任务。
激活函数：在卷积层和全连接层中使用，为网络引入非线性因素，使网络能够学习到更复杂的函数关系。常见的激活函数有 ReLU（Rectified Linear Unit）、Sigmoid等。
输出层：输出预测结果
全连接层：
神经元：
输出= 输入*权重 求和 加 偏置，得到
神经元是模仿人体神经元得来
CNN 独特网络结构：卷积层：目的：进行图像特征提取，特性：局部感知机制，权值共享机制
权值共享机制：减少网络参数
普通神经网络
卷积神经网络：
池化操作：
最大池化操作：
平均池化操作：
激活函数：
Sigmo激活函数：
Relu激活函数：
4.CNN的训练和优化
学习率：控制模型学习速度的参数过大可能导致模型无法收敛过小可能导致模型学习缓慢
训练策略：包括批量梯度下降、随机梯度下降、动量梯度下降等不同的策略适用于不同的场景
优化方法：包括正则化、dropout、erly spping等可以有效防止过拟合和加快模型收敛速度
超参数调整：通过调整学习率、优化方法等超参数可以优化模型的训练效果和性能。
5.CNN的应用场景和案例
应用场景：图像分类、目标检测、图像分割等
案例：人脸识别、自动驾驶、医学图像分析等
参考
https://www.bilibili.com/video/BV1PxoQYTExE/?spm_id_from=333.337.search-card.all.click&vd_source=1dbd6b9d6888e3267d87fd5bde34da9f